JR中央線の三鷹駅からバスで約15分。閑静な住宅街を抜けると企業ロゴも看板もない巨大な建物が突然現れる。この建物はNTTコミュニケーションズ(NTTコム)が運営する東京第11データセンターだ。2021年10月上旬、NTTコムはこの施設を報道陣に公開した。2020年9月にサービスを開始した東京第11データセンター。敷地面積で1万4200平方メートルとなる大規模施設だが、無人受付と生体認証を組み合
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://vie
どうも!DA部の春田です。 先日までre:Invent2020のAnalytics系のセッションレポートを書いていたのですが、海外企業のほとんどがデータポータルなるものを構築・稼働させていた点が印象的でした。このデータポータルを構成する要素の中でも、最近データカタログというサービスが注目を集めており、まだ成熟しきっていない分野ですが、探してみると新興OSSが結構見つかるんですよね。 さて、その中でも今回はLinkedIn製のOSSデータカタログ、DataHubについてご紹介していきたいと思います。 DataHubとは? DataHubは一言で言うと、データソースのメタデータの検索とディスカバリーを実現するツールです。LinkedIn社の長年のメタデータ管理の経験の末、設計思想として以下の5点が掲げられています。 DataHub: A generalized metadata search
データアナリティクス事業本部のコンサルティングチームの石川です。先週より開催しているクラスメソッド主催のオンラインカンファレンス、Developers.IO 2021 DECADEにて「データ分析を支える技術 データ分析基盤 再入門」というテーマにてセッション動画と資料を公開いたしました。 セッション概要 本セッションでは、データ分析基盤を理解するのに必要となる基礎的な要素技術とDX(Digital Transformation)推進において必要とされるデータ管理について解説します。データ分析基盤をこれから導入したい、すでに導入しているデータ分析基盤を改善したいという方には最適なセッションです。 アジェンダ データ分析基盤入門 データ分析基盤の構成要素 データ分析基盤のデータ処理 データ分析基盤のデータ管理 データ分析基盤の今後 まとめ セッション動画(約18分) セッション資料 まとめ
Amazon Web Services ブログ 新しいAWS Well-Architected Machine Learning Lensの紹介 この記事は、「Introducing the new AWS Well-Architected Machine Learning Lens」を翻訳したものです。 AWS Well-Architected Frameworkは、お客様のワークロードをベストプラクティスと比較するための一貫したアプローチを提供します。また、どのように改善すべきかの指針も含まれています。 機械学習(ML)アルゴリズムは、データのパターンを発見および学習し、将来のデータを予測する数理モデルを構築します。これらのソリューションは、病気の診断の改善、環境保護、製品やサービスの変革など、生活に革命をもたらします。 MLモデルが正確な結果を出すためには、入力データの質が重要です。
","unk_token":"","pad_token":""}},"discussionsDisabled":false,"downloads":12287,"downloadsAllTime":397852,"id":"bigscience/T0pp","isLikedByUser":false,"isWatchedByUser":false,"inference":"ExplicitOptOut","lastModified":"2024-03-19T16:02:07.000Z","likes":388,"pipeline_tag":"text2text-generation","library_name":"transformers","librariesOther":[],"model-index":null,"private":false,"repoType":"model",
本記事では、End-to-End音声認識手法の概要をサーベイします。 各手法の詳細には触れませんが、そもそもEnd-to-End音声認識とは何かよくわからない方のための記事です。 大体の概要を掴んでいただいた後、各手法の詳細を調べていただければと思います。 End-to-End音声認識モデルとHybrid音声認識モデル 近年、深層学習を用いたEnd-to-End音声認識モデルが大きなトレンドになっていますが、深層学習登場前は、音響モデルと言語モデルがカスケードに接続されたHybridモデルと呼ばれる方法が用いられていました。 以下の図は、Hybrid音声認識モデル(GMM-HMM, DNN-HMM)とEnd-to-End音声認識モデルを示しています。 ①GMM-HMM 深層学習登場以前は、GMMやN-gramでモデル化された音響モデル、言語モデルのカスケード構造が用いられていました。 音響
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く